水稻是世界上重要的大田作物之一，对粮食安全和全球高质量发展有重要意义。但由于各种胁迫严重影响作物生长，成为影响水稻产量和质量的重要制约因素。其中养分胁迫，如NPK胁迫会诱发水稻植株外部形态、生化组分含量、光合作用、酶活性、分生组织的功能等发生相应变化，造成减产，严重情况下甚至会造成绝产。因此，为了能够及时估计异质性并防止对作物生产力和环境的负面影响，亟需一种可靠的方法能够监测作物生长、生理和生产参数的微小变化，还应该能够识别这些变化的主要原因，以优化后续作物管理和资源投入。王金峰教授团队针对此实际需求，开展了水稻营养胁迫研究。

2024年7月，Plant Phenomics在线发表了东北农业大学王金峰课题组题为Characterization and Identification of NPK Stress in Rice Using Terrestrial Hyperspectral Images 的研究论文。

图1试验地点与试验区块排列

研究建立了水稻14个NPK养分胁迫条件的高光谱数据库。陆地近端成像高光谱相机（SPECIM-IQ）采集了420张水稻胁迫图像，提取并分析了14种胁迫模式下具有代表性的光谱反射曲线，并利用主成分分析胁迫光谱多样性。其中，从胁迫处理A (N0P0K2) 到胁迫处理N (N2P1K1），叶片在NPK单一或复合胁迫下的反射率在3个PCs上表现出极其复杂的模式(图2)。图2中 B (N0P2K2) - C (N1P2K2) - F (N2P2K2) - K (N3P2K2) 显示了叶片在0 ~ 3个N水平胁迫下的反射率变化。不同N胁迫下的PC1表现相似，但PC2和PC3表现出不同的模式，特别是在550nm附近和VIS区域。图2中D(N2P0K2)-E(N2P1K2)-F(N2P2K2) -G(N2P3K2)和H(N2P2K0)-I(N2P2K1) -F(N2P2K2)-J(N2P2K3)分别显示了P和K胁迫叶片在0 ~ 3个水平上的光谱多样性。P胁迫在PC2的750 ~ 900nm区域表现出类似的规律，K胁迫在PC2的900 ~ 950nm区域表现出类似的规律。

图2 前三个主成分（PCs）解释了从不同的营养胁迫类型和水平中获得的不同光谱区域的最高方差比

开发了一个基于高光谱成像的深度学习架构SHCFTT来训练和验证水稻胁迫模式的识别。图3详细描述了该网络的架构。该系统主要有四个部分组成部分：无监督特征提取模块、光谱空间特征提取模块、高斯加权特征标记器和变压器编码器模块。消融试验显示了各模块的作用，并与经典的SVM、1D-CNN和3D-CNN进行了比较。SHCFTT模型在不同建模策略和不同年份下的总准确率为93.92%~100%，表明该方法对提高水稻养分胁迫识别的准确性具有积极作用。

本研究不仅对水稻养分胁迫鉴别具有积极的作用，用于田间作物健康状况和精准农业的监测与决策。而且是在强烈的田间实际场景下具有高度多样性的养分胁迫的典型案例研究。为高光谱成像作物表型研究和精准农业田间信息感知的发展做出了贡献。

图3 用于水稻养分胁迫模态识别的SHCFTT模型架构

通讯作者：王金峰，工学博士（作物学博士后），教授，博士生导师，东北农业大学机械工程一级学科带头人，黑龙江省北方寒地现代农机装备技术重点实验室主任，工程学院副院长。现为国家涉农领域高层次人才，黑龙江省D类高层次人才，中国农业机械学会编辑工作委员会副主任委员、中国农业机械学会青委会副秘书长、全国高校互换性与测量技术基础研究会理事、黑龙江省青年科技工作者协会理事，黑龙江八一农垦大学学报编委、南方农机学报编委，《Computers and Electronics in Agriculture》《Food Control》《农业机械学报》《IJABE》等10余种SCI/EI检索期刊审稿专家。主要从事无人农场信息感知与装备、水田侧深施肥、田埂修筑、水田除草、液态深施肥等方面的基础理论及关键技术与装备研究。

论文链接：

https://doi.org/10.34133/plantphenomics.019‍7‍

——推荐阅读——

Grain Protein Content Phenotyping in Rice via Hyperspectral Imaging Technology and a Genome-Wide Association Study

https://doi.org/10.34133/plantphenomics.0200

Plant Phenomics | 南京农业大学联合江苏省农业科学院基于成像高光谱技术和GWAS分析的水稻籽粒蛋白质含量表型研究

DC2Net: An Asian soybean rust detection model based on hyperspectral imaging and deep learning 

https://doi.org/10.34133/plantphenomics.0163

Plant Phenomics | DC2Net：一种基于高光谱成像和深度学习的亚洲大豆锈病诊断模型